В данной статье проведен эконометрический анализ с целью изучения современных тенденций, возможностей и рисков в обеспечении энергетической безопасности в странах Центральной Азии (ЦА). Анализ основывается на широком спектре данных, включая информацию о производстве, потреблении и экспорте энергоресурсов, а также учитывает влияние политических и экономических факторов на энергетическую ситуацию в регионе.
Автор исследования выявляет ключевые тенденции в энергетическом секторе Центральной Азии, включая изменения в производстве и потреблении энергии, а также динамику экспортных потоков. Особое внимание уделяется рисковым факторам, которые могут оказать негативное влияние на энергетическую безопасность региона, таким как зависимость от ограниченных источников энергии, геополитические конфликты и изменения в мировых ценах на энергоресурсы.
В статье также рассматриваются возможные стратегии и меры для обеспечения энергетической безопасности в Центральной Азии. Это включает в себя развитие альтернативных источников энергии, таких как солнечная и ветровая энергия, расширение регионального сотрудничества для обеспечения энергетической стабильности и устойчивости, а также улучшение инфраструктуры для повышения энергетической эффективности.
Полученные результаты и выводы могут быть полезны для разработки эффективных стратегий энергетической политики в Центральной Азии и принятия мер для обеспечения устойчивого развития энергетического сектора в регионе.
Ключевые слова: энергетическая безопасность, Центральная Азия, эконометрический анализ, доступность энергии, диверсификация источников энергии, энергоэффективность, экономическое развитие, политическая стабильность.
Энергетическая безопасность является краеугольным камнем для экономического развития и социальной стабильности любой страны. В контексте стран Центральной Азии (ЦА), обладающих богатыми запасами энергоресурсов и стратегически важным геополитическим положением, вопросы энергетической безопасности приобретают особую значимость и актуальность.
Однако, несмотря на значительный потенциал региона в области энергетики, страны Центральной Азии сталкиваются с рядом сложных вызовов и рисков, которые могут угрожать их стабильности и устойчивости. Эти вызовы включают в себя политическую нестабильность, экономическую зависимость от энергоресурсов, недостаток инфраструктуры, а также влияние геополитических факторов и конкуренцию за контроль над ресурсами.
Вопрос энергетической безопасности вышел на первый план в дискуссиях и стал чаще появляться среди тем на повестке дня на многосторонних глобальных и международных региональных форумах. Это важнейший аспект для национального и глобального развития, поскольку энергетика является основой современной экономики и фундаментальным требованием для социальной и экономической деятельности. Энергетическая безопасность имеет решающее значение для экономического развития, поскольку она позволяет странам удовлетворять свои потребности в энергии, способствовать промышленному росту и предоставлять основные услуги своим гражданам. Это также важно для экологической устойчивости, поскольку обеспечивает эффективное и устойчивое производство и потребление энергии, снижая негативное воздействие на окружающую среду.
Наконец, энергетическая безопасность имеет решающее значение для геополитической стабильности, поскольку она снижает зависимость от иностранных источников энергии и сводит к минимуму риски конфликтов, связанных с энергетикой. В конце ХХ века сотрудничество в энергетическом секторе стало заметно развиваться, особенно после кризисов это вызвало серьезные потрясения в мировой экономике. Стремление решить эти проблемы привело к значительной активизации международной энергетической политики на глобальном и региональном уровнях. Обеспечение энергетической безопасности нелегко ввиду различных геополитических, экономических, технических и экологических факторов. Одной из главных сложностей является ограниченность традиционных энергетических ресурсов, таких как нефть, газ и уголь, которые являются конечными и не имеют склонности к возобновлению.
Такие необратимые процессы как урбанизация, рост численности населения и глобализация во всех её проявлениях повышают в своей перспективе спрос на энергетические ресурсы. Этот спрос в результате приводит к росту цен на энергоносители, затруднив доступ развивающихся стран и домохозяйств с низким доходом к этим ресурсам. Третьим возможным барьером в обеспечении энергетической безопасности может служить зависимость от небольшого числа стран в плане поставок энергии. Эта зависимость создает уязвимость в случае непредвиденных ситуаций, поскольку перебои в поставках энергоресурсов из этих стран могут оказать значительное воздействие на глобальные энергетические рынки. Например, нефтяной кризис 1973 года, когда страны ОПЕК ввели эмбарго на экспорт нефти в Соединенные Штаты и другие страны, привел к значительному росту цен на нефть и экономическим потрясениям по всему миру.
В этом исследовании предпринимается попытка провести глубокий эконометрический анализ, направленный на изучение современных тенденций, возможностей и рисков обеспечения энергетической безопасности в странах Центральной Азии. Исследование будет основано на анализе различных аспектов энергетического сектора, включая производство, потребление, экспорт и цены на энергоресурсы, а также на оценке влияния различных факторов, как количественных, так и качественных, на уровень энергетической безопасности в регионе.
Актуальность данного вопроса обуславливается тем, что энергоресурсы имеют критически важное значение для улучшения качества жизни и расширения возможностей, открывающихся перед гражданами стран мира - как развитых, так и развивающихся. Поэтому обеспечение эффективного, надежного и экологически безопасного и устойчивого энергоснабжения по ценам, отражающим фундаментальные принципы рыночной экономики, представляет собой вызов для наших стран и всего человечества. На данный момент в мировом сообществе существует понимание того, что углеводородные ресурсы, являющиеся на данный момент базовыми, могут быть исчерпаны через определенное время. Соответственно страны-поставщики, так же, как и все остальные, будут постепенно приходить к необходимости изменения структуры своего топливно-энергетического баланса, уделяя все большее внимание альтернативным источникам энергии.
Цель исследования - раскрыть сущность понятия энергетической безопасности определив факторы, влияющие на энергетическую безопасность в странах ЦА и указать на основные риски, тенденции и возможности, связанные с ее обеспечением.
Объектом данного исследования являются государства Центральной Азии.
Предметом данного исследования служит вопрос обеспечения энергетической безопасности в Центральной Азии.
Методология эконометрического анализа панельных данных об энергетической безопасности в Центральной Азии (ЦА) с использованием модели с фиксированными эффектами будет включать следующие шаги:
Подготовка данных: Собрать данные об энергетической безопасности и других переменных, которые могут влиять на нее, для стран Центральной Азии за период времени. Эти данные могут включать показатели потребления энергии, производства энергии, инвестиции в энергетические проекты, уровень экономического развития и т. д.
Описание модели: Определить модель, которая будет использоваться для анализа данных. В данном случае, модель с фиксированными эффектами может быть предпочтительной для учета различий между странами Центральной Азии, которые могут влиять на энергетическую безопасность.
Спецификация модели: Определить зависимую переменную (например, индекс энергетической безопасности) и независимые переменные (например, инвестиции в энергетику, уровень экономического развития и т. д.), которые будут включены в модель. Также определить временные и кросс-секционные единицы данных.
Оценка модели: Оценить модель с фиксированными эффектами с использованием соответствующих методов, таких как Метод наименьших квадратов с фиксированными эффектами или Метод максимального правдоподобия с фиксированными эффектами.
Тестирование гипотез: Провести тесты на значимость коэффициентов, проверку на мультиколлинеарность, гетероскедастичность и другие тесты для проверки соответствия модели данным.
Интерпретация результатов: Интерпретировать коэффициенты модели и их статистическую значимость, а также оценить практическую значимость полученных результатов для понимания влияния различных факторов на энергетическую безопасность в Центральной Азии.
Формулирование выводов: Сформулировать выводы и рекомендации на основе результатов анализа, которые могут быть полезны для принятия решений в области энергетической политики в Центральной Азии.
Дебаты вокруг концепций энергетической безопасности стали более разрозненными, поскольку энергия проникает во все аспекты нашей жизни, и поэтому очень трудно сосредоточиться на конкретных определениях и аспектах данного вопроса. Определение энергетической безопасности обсуждалось в cледующих исследованиях.
По данным Азиатско-Тихоокеанского центра энергетических исследований (APERC, 2007), энергетическая безопасность включает в себя “четыре аспекта”, такие как наличие, доступность, доступность по цене и приемлемость (availability, accessibility, affordability, and acceptability). Однако только в исследовании Джуэлла и др. (2014) упоминался подход “5А”: наличие, доступность, приспособление, ценовая доступность и приемлемость (availability, accessibility, accommodation, affordability, and acceptability). Фон Хиппел (2009) предложил четыре основные проблемы, которые необходимо включить в новую концепцию энергетической безопасности, включая окружающую среду, технологии, управление спросом и внутренние социокультурные и политические факторы. Согласно Вивода (2010), в новую концепцию энергетической безопасности следует добавить четыре измерения, такие как безопасность человека, международные отношения, связи с общественностью и политика.Безопасность человека относится к ситуации с независимой энергетикой. В Международном журнале азиатских энергетических исследований (2018), Том 2, № 1, 10-28 говорится о региональных и глобальных последствиях вызовов энергетической безопасности.
В энергетической системе есть три компонента: источник энергии (производство), энергетические услуги (потребление) и передачу от производства к потреблению. В связи с важностью разнообразия источников энергии и поставщиков в Европейском союзе энергетическая безопасность фокусируется на четырех показателях, а именно на первичной энергии, иностранных поставках первичной энергии, первичных энергоносителях и иностранных поставщиках первичной энергии.
Показатели энергетической безопасности, которые связаны с угрозами вмешательства человека, оборудования, сбои и экстремальные погодные условия упоминаются следующим образом: (i) энергетические ресурсы (предложение и цены могут быть нарушены в результате политических действий; энергетической безопасности угрожает истощение традиционных запасов нефти; ограниченные запасы нефти и газа угрожают энергетической безопасности; зависимость от импорта является показателем снижения энергетической безопасности; и более разнообразная энергетическая система способствует энергетической безопасности); (ii) инфраструктура (электрические сети могут быть повреждены из-за плохой погоды; показатели энергетической безопасности, используемые в международном индексе, классифицируются как глобальные виды топлива, импорт топлива, расходы на энергию, волатильность цен и рынка, интенсивность энергопотребления, сектор электроэнергетики, транспортный сектор и окружающая среда); и (iii) спрос (общий спрос на энергию; спрос на энергию в расчете на дом или единицу экономической деятельности; затраты на энергию как доля от общих расходов; и способность реагировать на спрос).
Показатели энергетической безопасности включают мировые запасы топлива, импорт топлива, расходы на энергию, волатильность цен и рынка, интенсивность энергопотребления, сектор электроэнергетики, транспортный сектор и окружающую среду.
Глобальные запасы топлива измеряют надежность и разнообразие мировых запасов и поставок нефти, природного газа и угля, а более высокие надежность и разнообразие означают меньший риск для энергетической безопасности.
Импорт топлива измеряет подверженность национальных экономик ненадежным и концентрированным поставкам нефти, природного газа и угля. Более высокая надежность и разнообразие поставок, а также более низкий уровень импорта означают меньший риск для энергетической безопасности.
Расходы на энергию измеряют величину затрат на энергию для национальной экономики и подверженность потребителей ценовым шокам. Более низкие затраты и подверженность риску означают более меньший риск для энергетической безопасности.
Волатильность цен и рынка измеряет восприимчивость национальных экономик к значительным колебаниям цен на энергоносители. Меньшая волатильность означает меньший риск для энергетической безопасности.
Интенсивность энергопотребления измеряет потребление энергии по отношению к населению и объему экономического производства. Меньшее использование энергии промышленностью для производства товаров и услуг означает меньший риск для энергетической безопасности.
Сектор электроэнергетики косвенно измеряет надежность генерирующих мощностей. Большее разнообразие означает меньший риск для энергетической безопасности.
Транспортный сектор измеряет эффективность использования энергии использование в транспортном секторе на единицу ВВП и населения. Более высокая эффективность означает меньший риск для энергетической безопасности. Фактор окружающей среды измеряет подверженность национальных экономик национальным и международным мандатам по сокращению выбросов парниковых газов. Более низкие выбросы углекислого газа при производстве энергии означают меньший риск для энергетической безопасности.
Подключаем необходимые пакеты
library(corrplot)
## corrplot 0.92 loaded
library(psych)
## Warning: пакет 'psych' был собран под R версии 4.2.3
library(ggplot2)
## Warning: пакет 'ggplot2' был собран под R версии 4.2.3
##
## Присоединяю пакет: 'ggplot2'
## Следующие объекты скрыты от 'package:psych':
##
## %+%, alpha
library(readxl) # для удобства работы с таблицами
library(tidyverse)
## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──
## ✔ tibble 3.2.1 ✔ dplyr 1.1.4
## ✔ tidyr 1.3.1 ✔ stringr 1.5.1
## ✔ readr 2.1.3 ✔ forcats 0.5.2
## ✔ purrr 1.0.2
## Warning: пакет 'tibble' был собран под R версии 4.2.3
## Warning: пакет 'tidyr' был собран под R версии 4.2.3
## Warning: пакет 'purrr' был собран под R версии 4.2.3
## Warning: пакет 'dplyr' был собран под R версии 4.2.3
## Warning: пакет 'stringr' был собран под R версии 4.2.3
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%() masks psych::%+%()
## ✖ ggplot2::alpha() masks psych::alpha()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
library(plm) # для анализа панельных данных
##
## Присоединяю пакет: 'plm'
##
## Следующие объекты скрыты от 'package:dplyr':
##
## between, lag, lead
library(foreign)
library(car)
## Загрузка требуемого пакета: carData
##
## Присоединяю пакет: 'car'
##
## Следующий объект скрыт от 'package:dplyr':
##
## recode
##
## Следующий объект скрыт от 'package:purrr':
##
## some
##
## Следующий объект скрыт от 'package:psych':
##
## logit
library(lmtest)
## Загрузка требуемого пакета: zoo
##
## Присоединяю пакет: 'zoo'
##
## Следующие объекты скрыты от 'package:base':
##
## as.Date, as.Date.numeric
library(tseries)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
Загружаем и готовим данные
library(readxl)
data <- read_excel("FW.xlsx")
View(data)
Подготавливаем данные к дальнейшему использованию:
d <- data.frame(data$y, data$x1, data$x2, data$x3, data$x4)
d
## data.y data.x1 data.x2 data.x3 data.x4
## 1 46.94 8.9 -2018.522 0.80 1.4
## 2 46.75 8.1 -2101.804 0.90 1.3
## 3 46.65 8.5 -2040.533 0.90 1.2
## 4 46.80 6.5 -2281.387 0.80 1.3
## 5 47.51 5.4 -2152.099 0.60 1.7
## 6 47.86 6.2 -2060.700 0.40 2.1
## 7 48.54 6.1 -2413.300 0.50 2.0
## 8 48.75 6.7 -2381.000 0.50 1.9
## 9 48.66 6.3 -2229.100 0.40 1.8
## 10 48.01 5.8 -2211.300 0.40 1.8
## 11 44.68 12.8 -135.878 1.10 1.0
## 12 44.82 10.4 -247.150 1.00 1.3
## 13 44.87 9.6 -197.758 1.00 1.2
## 14 45.11 8.4 -165.484 1.10 1.4
## 15 45.30 7.5 -184.919 1.00 1.7
## 16 45.49 7.5 -173.400 0.90 1.6
## 17 45.62 7.5 -148.900 0.74 1.7
## 18 45.99 8.6 -197.300 0.89 1.5
## 19 46.75 8.0 -201.100 0.79 1.6
## 20 46.61 7.5 7.800 0.65 1.0
## 21 46.87 5.8 40.068 0.80 25.9
## 22 47.22 7.2 59.808 0.89 22.5
## 23 47.87 6.2 53.609 0.90 24.8
## 24 47.43 6.2 52.775 0.94 26.6
## 25 47.82 5.8 61.509 0.60 23.5
## 26 47.86 5.4 48.600 0.60 22.2
## 27 48.52 5.1 45.000 0.60 24.7
## 28 49.21 5.9 52.400 0.70 23.4
## 29 49.62 5.0 37.300 0.60 28.3
## 30 49.18 5.1 36.400 0.50 30.0
## 31 44.31 20.4 -963.728 0.20 0.1
## 32 44.44 18.4 -1032.668 0.20 0.1
## 33 44.71 16.0 -1264.746 0.20 0.1
## 34 44.94 14.1 -1318.092 0.20 0.1
## 35 45.04 13.6 -1375.883 0.30 0.1
## 36 45.04 12.9 -1277.500 0.30 0.1
## 37 45.09 12.1 -1272.900 0.30 0.1
## 38 45.37 11.4 -1334.000 0.40 0.1
## 39 45.50 11.1 -1363.300 0.40 0.1
## 40 45.23 11.1 -1278.500 0.40 0.1
## 41 44.17 4.7 16.139 1.10 60.0
## 42 44.24 4.8 16.918 1.45 55.8
## 43 44.26 4.4 15.840 1.30 55.1
## 44 44.53 4.5 19.491 1.32 45.9
## 45 44.71 4.6 20.415 0.90 48.1
## 46 44.96 4.5 20.500 0.70 43.7
## 47 44.99 4.3 17.300 0.50 44.2
## 48 45.16 4.4 19.500 0.50 41.6
## 49 45.44 4.4 24.000 0.70 40.1
## 50 45.36 4.4 27.800 0.90 38.8
Постановка задачи: Проанализировать влияние таких факторов как изменение в ВВП на душу населения, доле возобновляемых источников энергии в общем потреблении, чистом импорте энергии, общем запасе энергии на душу населения и в ценах на бензин на энергетическую безопасность стран Центральной Азии в период с 2011 по 2020 год и предоставить прогноз на ближайшие годы в случае пригодности получившейся модели. Данные взяты из World Bank Open Data и International Energy Agency.
y - Индекс энергетической безопасности с 2011 по 2020 годы в странах ЦА (из 100);
x1 - Энергоемкость на единицу ВВП с 2011 по 2020 годы в странах ЦА (mj/Доллары США);
x2 - Чистый импорт источников энергии с 2011 по 2020 годы в странах ЦА (PJ);
x3 - Цены на бензин с 2011 по 2020 годы в странах ЦА (Доллары США за литр);
x4 - Доля возобновляемых источников энергии в общем потреблении энергии с 2011 по 2020 годы в странах ЦА (в % от общего);
str(data)
## tibble [50 × 8] (S3: tbl_df/tbl/data.frame)
## $ country: chr [1:50] "Kazakhstan" "Kazakhstan" "Kazakhstan" "Kazakhstan" ...
## $ year : num [1:50] 2011 2012 2013 2014 2015 ...
## $ y : num [1:50] 46.9 46.8 46.6 46.8 47.5 ...
## $ x1 : num [1:50] 8.9 8.1 8.5 6.5 5.4 6.2 6.1 6.7 6.3 5.8 ...
## $ x2 : num [1:50] -2019 -2102 -2041 -2281 -2152 ...
## $ x3 : num [1:50] 0.8 0.9 0.9 0.8 0.6 0.4 0.5 0.5 0.4 0.4 ...
## $ x4 : num [1:50] 1.4 1.3 1.2 1.3 1.7 2.1 2 1.9 1.8 1.8 ...
## $ x5 : chr [1:50] "$11 634,0" "$12 386,7" "$13 890,6" "$12 807,3" ...
str(d)
## 'data.frame': 50 obs. of 5 variables:
## $ data.y : num 46.9 46.8 46.6 46.8 47.5 ...
## $ data.x1: num 8.9 8.1 8.5 6.5 5.4 6.2 6.1 6.7 6.3 5.8 ...
## $ data.x2: num -2019 -2102 -2041 -2281 -2152 ...
## $ data.x3: num 0.8 0.9 0.9 0.8 0.6 0.4 0.5 0.5 0.4 0.4 ...
## $ data.x4: num 1.4 1.3 1.2 1.3 1.7 2.1 2 1.9 1.8 1.8 ...
Все переменные являются количественными. Всего 50 наблюдений по 6 переменным.
Меры центральной тенденции – это количественные показатели, которые дают обобщенную характеристику типичного значения признака в изучаемой совокупности.
Среднее арифметическое:
\[X̄ = Σx_i / n\] где:
Медиана - это значение признака, которое делит совокупность на две равные части (50% значений меньше медианы, 50% - больше).
Мода - это значение признака, которое встречается в совокупности чаще всего.
Меры вариации характеризуют степень отклонения значений признака от центральной тенденции.
Среднее квадратическое отклонение:
\[σ = √(Σ(x_i - X̄)^2 / n)\] где:
Размах вариации:
\[R = X_{max} - X_{min}\] где:
Коэффициент вариации:
\[V = σ / X̄ * 100%\] где:
Показатели формы распределения дают информацию о том, насколько симметрично распределены значения признака относительно центральной тенденции.
Асимметрия:
\[A = Σ(x_i - X̄)^3 / nσ^3\] где:
Эксцесс:
\[E = Σ(x_i - X̄)^4 / nσ^4 - 3\] где:
summary(d)
## data.y data.x1 data.x2 data.x3
## Min. :44.17 Min. : 4.300 Min. :-2413.30 Min. :0.2000
## 1st Qu.:44.97 1st Qu.: 5.175 1st Qu.:-1330.02 1st Qu.:0.4250
## Median :45.49 Median : 6.600 Median : -179.16 Median :0.7000
## Mean :46.22 Mean : 8.002 Mean : -706.60 Mean :0.6954
## 3rd Qu.:47.49 3rd Qu.: 9.425 3rd Qu.: 20.48 3rd Qu.:0.9000
## Max. :49.62 Max. :20.400 Max. : 61.51 Max. :1.4500
## data.x4
## Min. : 0.10
## 1st Qu.: 1.20
## Median : 1.75
## Mean :15.13
## 3rd Qu.:26.43
## Max. :60.00
describe(d)
## vars n mean sd median trimmed mad min max range
## data.y 1 50 46.22 1.57 45.50 46.10 1.68 44.17 49.62 5.45
## data.x1 2 50 8.00 3.78 6.60 7.39 2.74 4.30 20.40 16.10
## data.x2 3 50 -706.60 894.62 -179.16 -602.34 340.49 -2413.30 61.51 2474.81
## data.x3 4 50 0.70 0.31 0.70 0.69 0.30 0.20 1.45 1.25
## data.x4 5 50 15.13 19.10 1.75 12.28 2.45 0.10 60.00 59.90
## skew kurtosis se
## data.y 0.53 -1.07 0.22
## data.x1 1.38 1.44 0.54
## data.x2 -0.71 -1.17 126.52
## data.x3 0.26 -0.64 0.04
## data.x4 0.89 -0.70 2.70
Выводы описательного анализа
Среднее значение индекса энергетической безопасности по странам ЦА за весь рассматриваемый период равно 46,22 (из 100), что говорит не о самой лучшей ситуации по региону. Минимальное значения индекса - 44,17 принадлежало Таджикистану в 2011 году, максимальное - 49,62, принадлежащее Кыргызстану в 2019 году. 25% значений меньше 44,97 (1st Qu), 75% значений индекса будет больше 44,97. 25% значений больше 47,49 (3rd Qu), 75% значений индекса будет меньше 47,49.
Среднее значение доли возобновляемых источников в общем потреблении энергии по странам ЦА за весь рассматриваемый период равно 15,13%. Минимальное значения индекса - 0,1% принадлежало Туркменистану в течение всего наблюдаемого периода, максимальное - 60%, принадлежащее Таджикистану в 2011 году. Это говорит о том, что Таджикистан даже в далеком 2011 году преуспевал в плане поощрения и использования возобновляемых источников энергии. 25% значений меньше 1,2% (1st Qu), 75% значений индекса будет больше 1,2%. 25% значений больше 26,43% (3rd Qu), 75% значений индекса будет меньше 26,43%.
Среднее значение чистого импорта энергии по странам ЦА за весь рассматриваемый период равно -706.60. Минимальное значения индекса - -2 413.30 принадлежало Казахстану в 2017 году, максимальное - 161.51, принадлежащее Кыргызстану в 2015 году. 25% значений меньше -1 330,02 (1st Qu), 75% значений индекса будет больше -1 330,02. 25% значений больше 20,48 (3rd Qu), 75% значений индекса будет меньше 20,48.
Среднее значение цен на бензин по странам ЦА за весь рассматриваемый период равно 0,6954. Минимальное значения индекса - 0,2 принадлежало Туркменистану с 2011 по 2014 годы, максимальное - 1,45, принадлежащее Таджикистану в 2012 году. 25% значений меньше 0,425 (1st Qu), 75% значений индекса будет больше 0,425. 25% значений больше 0,9 (3rd Qu), 75% значений индекса будет меньше 0,9. Самые дорогие цены на бензин наблюдались в Таджикистане с 2012 по 2014 годы.
Визуализация данных
library(plotly)
## Warning: пакет 'plotly' был собран под R версии 4.2.3
##
## Присоединяю пакет: 'plotly'
## Следующий объект скрыт от 'package:ggplot2':
##
## last_plot
## Следующий объект скрыт от 'package:stats':
##
## filter
## Следующий объект скрыт от 'package:graphics':
##
## layout
p <- plot_ly(data, x = ~country, y = ~x1, type = 'bar')
p
p1 <- plot_ly(data, x = ~country, y = ~x2, type = 'bar')
p1
p2 <- plot_ly(data, x = ~country, y = ~x3, type = 'bar')
p2
p3 <- plot_ly(data, x = ~country, y = ~x4, type = 'bar')
p3
p4 <- plot_ly(data, x = ~country, y = ~x5, type = 'bar')
p4
Во время анализа энергетической безопасности пяти стран Центральной Азии - Казахстана, Узбекистана, Киргизии, Туркменистана и Таджикистана - можно выделить несколько общих тенденций.
В первую очередь, уровень энергетической безопасности во всех странах региона остается на среднем уровне. По измеряемому показателю индекса энергетической безопасности, страны Центральной Азии показывают показатели от 44 до 49. Это свидетельствует о том, что уровень безопасности энергоснабжения находится в пределах среднего уровня и требует дальнейших улучшений.
Вторым важным аспектом является диверсификация источников энергии. Все страны региона имеют разнообразные источники энергопоставок, что способствует уменьшению рисков и обеспечению стабильного энергоснабжения. Однако доля возобновляемых источников энергии все еще невысока и составляет всего от 0,1% до 2,1%. В этом плане странам региона требуется больше внимания к развитию возобновляемых источников энергии для уменьшения зависимости от углеводородов.
Третьим аспектом является уровень транспортировки и импорта энергоресурсов. Несмотря на то, что некоторые страны региона имеют значительные объемы импортируемой энергии, они также обладают достаточными запасами собственных энергоресурсов. Например, Казахстан и Туркменистан являются одними из крупнейших производителей нефти и газа в регионе, что обеспечивает им относительную независимость от импорта энергоресурсов.
Наконец, важным аспектом является энергоэффективность использования энергии. Несмотря на то, что несколько стран региона имеют высокую энергоемкость на единицу ВВП, с течением времени этот показатель снижается благодаря внедрению более эффективных технологий и мер по улучшению энергетической эффективности.
Казахстан, как крупнейшая страна региона, на протяжении многих лет демонстрировал относительно стабильный индекс энергетической безопасности. Несмотря на колебания ВВП на душу населения, стране удавалось поддерживать высокий уровень энергетической безопасности. Доля возобновляемых источников энергии в конечном потреблении энергии также остается стабильно низкой, что указывает на сильную зависимость от традиционных источников энергии. Однако в стране наблюдается снижение чистого импорта энергии и энергоемкости на единицу ВВП, что можно объяснить повышением эффективности в энергетическом секторе.
Узбекистан, с другой стороны, имеет более низкий индекс энергетической безопасности по сравнению с Казахстаном. В стране более низкий ВВП на душу населения и более высокая доля возобновляемых источников энергии в конечном потреблении энергии. Однако Узбекистан столкнулся с проблемами в управлении чистым импортом энергии, который колебался на протяжении многих лет. Страна также продемонстрировала улучшение показателей энергоемкости на единицу ВВП, что свидетельствует о прогрессе в направлении создания более устойчивой энергетической системы.
Кыргызская Республика демонстрирует последовательный рост энергетической безопасности на протяжении многих лет. При более низком ВВП на душу населения по сравнению с Казахстаном и Узбекистаном стране удалось увеличить свой индекс энергетической безопасности за счет сокращения чистого импорта энергии и повышения энергоемкости на единицу ВВП. В стране также наблюдается значительное увеличение доли возобновляемых источников энергии в конечном потреблении энергии, что указывает на переход к более чистым источникам энергии.
Туркменистан, несмотря на более высокий ВВП на душу населения по сравнению с другими странами, имеет относительно более низкий индекс энергетической безопасности. В стране очень низкая доля возобновляемых источников энергии в конечном потреблении энергии, и на протяжении многих лет ей было трудно управлять чистым импортом энергии. Однако Туркменистан продемонстрировал улучшение показателей энергоемкости на единицу ВВП, что может свидетельствовать об усилиях по повышению энергоэффективности.
Таджикистан, с самым низким ВВП на душу населения среди проанализированных стран, продемонстрировал неоднозначные показатели в области энергетической безопасности. Страна имеет высокую долю возобновляемых источников энергии в конечном потреблении энергии, но столкнулась с проблемами в управлении чистым импортом энергии. Таджикистан продемонстрировал улучшение показателей энергоемкости на единицу ВВП, что свидетельствует об усилиях по обеспечению устойчивого использования энергии.
В заключение, за последнее десятилетие страны Центральной Азии продемонстрировали разный уровень энергетической безопасности. Хотя некоторые страны добились прогресса в сокращении импорта энергоносителей и повышении энергоэффективности, по-прежнему существует потребность в более устойчивой энергетической политике для обеспечения долгосрочной энергетической безопасности и экономической стабильности.
Изучение панельных данных
Модель регрессии с фиксированными эффектами на основе панельных данных используется для анализа влияния независимых переменных на зависимую переменную в течение времени или в различных группах. Этот метод учитывает индивидуальные различия между группами или единицами наблюдения, которые остаются постоянными во времени.
Для проведения анализа с фиксированными эффектами используется следующая методология:
Оценка модели регрессии с фиксированными эффектами, в которой каждая группа или единица наблюдения имеет свой уникальный фиксированный эффект.
Проверка гипотез о значимости коэффициентов регрессии и оценка их влияния на зависимую переменную.
Проведение анализа гетероскедастичности и автокорреляции ошибок модели.
Построение прогнозов на основе оцененной модели.
Запись формулы модели:
\(y_{it} = β_0 + β_1*x_{it} + α_i + ε_{it}\)
\(y_{it}\): значение зависимой переменной для объекта i в момент времени t;
\(β_0\): константа;
\(β_1\): коэффициент регрессии;
\(x_{it}\): значение независимой переменной для объекта i в момент времени t;
\(α_i\): фиксированный эффект для объекта i;
\(ε_{it}\): случайная ошибка.
Для чего проводится такой анализ:
Учет неизменных характеристик: Модель с фиксированными эффектами позволяет учесть влияние фиксированных характеристик (например, культурных, географических или политических особенностей стран) на зависимую переменную.
Уменьшение смещения: Использование фиксированных эффектов помогает уменьшить смещение оценок коэффициентов регрессии, которое может возникнуть из-за неучтенных фиксированных характеристик.
Идентификация временных изменений: Позволяет выявить временные изменения в зависимой переменной, учитывая фиксированные характеристики единиц данных.
Улучшение предсказательной силы: Учет фиксированных эффектов может повысить точность и предсказательную силу модели, особенно если влияние фиксированных характеристик значительно.
Оценка коэффициентов производится методом наименьших квадратов (OLS).
Коэффициент детерминации \(R^2\) в регрессии с фиксированными эффектами может быть вычислен по формуле: \[ R^2 = 1 - \frac{SSR}{SST} \] где \(SSR\) - сумма квадратов остатков, а \(SST\) - общая сумма квадратов.
Т-тест используется для проверки значимости отдельных коэффициентов регрессии. Гипотеза состоит в том, что коэффициент равен нулю: \[ H_0: \beta_j = 0 \] \[ H_1: \beta_j \neq 0 \] где \(\beta_j\) - j-ый коэффициент регрессии.
F-тест проверяет значимость всей модели: \[ H_0: \beta_1 = \beta_2 = ... = \beta_k = 0 \] \[ H_1: \text{хотя бы один } \beta_j \neq 0 \] где \(k\) - количество объясняющих переменных в модели.
Предпосылки регрессии с фиксированными эффектами включают:
Линейность: отношения между зависимой и объясняющими переменными линейны.
Нормальность остатков: остатки должны быть нормально распределены.
Независимость остатков: остатки должны быть независимыми друг от друга.
Гомоскедастичность: остатки должны иметь постоянную дисперсию.
Отсутствие мультиколлинеарности: объясняющие переменные не должны сильно коррелировать между собой.
Этот анализ может быть полезен для исследования многих явлений, включая экономический рост, развитие рынков, эффективность политики и другие.
coplot(y ~ year|country, type="l", data=data) # Lines
coplot(y ~ year|country, type="b", data=data) # Points and lines
scatterplot(y~year|country, boxplots=FALSE, smooth=TRUE, reg.line=FALSE, data=data)
## Warning in plot.window(...): "reg.line" -- не графический параметр
## Warning in plot.xy(xy, type, ...): "reg.line" -- не графический параметр
## Warning in axis(side = side, at = at, labels = labels, ...): "reg.line" -- не
## графический параметр
## Warning in axis(side = side, at = at, labels = labels, ...): "reg.line" -- не
## графический параметр
## Warning in box(...): "reg.line" -- не графический параметр
## Warning in title(...): "reg.line" -- не графический параметр
h1 <- data.frame(data);
ggplot(data=h1,aes(x=year,y=y,color = country)) +
geom_line() +
labs(x="Year",y="Y",color= "country")+theme_classic()
Фиксированные эффекты: Неоднородность по странам
library(gplots)
## Warning: пакет 'gplots' был собран под R версии 4.2.3
##
## Присоединяю пакет: 'gplots'
## Следующий объект скрыт от 'package:stats':
##
## lowess
plotmeans(y ~ country, main="Heterogeineity across countries", data=data)
# plotmeans draw a 95% confidence interval around the means
График показывает, что наблюдается неоднородность фиксированных эффектов по странам. У Казахстана и Кыргызстана показатель индекса находится примерно на одном уровне, когда у Таджикистана, Туркменистана и Узбекистана данные наблюдаются уровнями ниже. Самые низкие показатели показывает Таджикистан.
Фиксированные эффекты: неоднородность по годам
plotmeans(y ~ year, main="Heterogeineity across years", data=data)
# plotmeans draw a 95% confidence interval around the means
График показывает, что наблюдается неоднородность фиксированных эффектов по годам. В период с 2011 по 2016 наблюдался стабильный рост в показателях индекса энергетической безопасности. С 2017 года рост начал ускоряться, после чего в 2020 году наблюдался резкий спад ,т.е ухудшение показателей индекса.
Собираем количественные переменные в одну таблицу
P1<-data.frame(h1$y,h1$x1,h1$x2,h1$x3,h1$x4)
cor(P1)
## h1.y h1.x1 h1.x2 h1.x3 h1.x4
## h1.y 1.0000000 -0.4075056 -0.2157998 -0.1933978 -0.1314283
## h1.x1 -0.4075056 1.0000000 -0.3008395 -0.5003892 -0.6288675
## h1.x2 -0.2157998 -0.3008395 1.0000000 0.4699166 0.6163156
## h1.x3 -0.1933978 -0.5003892 0.4699166 1.0000000 0.4607556
## h1.x4 -0.1314283 -0.6288675 0.6163156 0.4607556 1.0000000
corrplot(cor(P1))
OLS регрессия
ols <-lm(y ~ x1+x2+x3+x4, data=data)
summary(ols)
##
## Call:
## lm(formula = y ~ x1 + x2 + x3 + x4, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8548 -0.7628 -0.2479 0.6446 2.5316
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.177e+01 9.387e-01 55.152 < 2e-16 ***
## x1 -4.039e-01 5.820e-02 -6.940 1.25e-08 ***
## x2 8.893e-05 2.401e-04 0.370 0.712877
## x3 -2.228e+00 6.372e-01 -3.497 0.001071 **
## x4 -4.701e-02 1.303e-02 -3.607 0.000773 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.107 on 45 degrees of freedom
## Multiple R-squared: 0.5451, Adjusted R-squared: 0.5047
## F-statistic: 13.48 on 4 and 45 DF, p-value: 2.66e-07
vif(ols)
## x1 x2 x3 x4
## 1.938416 1.844030 1.568827 2.475803
\(y=5.177e^1-4.039e^{-1}*x_1+8.893e^{-5}*x_2-2.228e^0*x_3-4.701e^{-2}*x_4\)
Общие выводы по модели OLS регресии:
1. Общая оценка:
Модель регрессии с 4 независимыми переменными (x1, x2, x3, x4) объясняет 54,51% вариации индекса энергетической безопасности (y) в странах ЦА.
Adjusted R-squared составляет 50,47%, что указывает на достаточно хорошую пригодность модели.
F-статистика значима (p-value = 2.66e-07), что подтверждает наличие значимой связи между независимыми и зависимой переменными.
2. Влияние отдельных факторов:
Энергоемкость (x1): Отрицательный коэффициент регрессии (-4.039e-01) означает, что с ростом энергоемкости на единицу ВВП индекс энергетической безопасности снижается. Это говорит о том, что страны ЦА должны стремиться к повышению энергоэффективности.
Чистый импорт источников энергии (x2): Незначительный и нестатистически значимый коэффициент регрессии (8.893e-05) говорит о том, что чистый импорт энергии не оказывает существенного влияния на индекс энергетической безопасности.
Цены на бензин (x3): Отрицательный коэффициент регрессии (-2.228e+00) означает, что с ростом цен на бензин индекс энергетической безопасности снижается. Это говорит о том, что рост цен на бензин негативно влияет на энергетическую безопасность стран ЦА.
Доля ВИЭ (x4): Отрицательный коэффициент регрессии (-4.701e-02) означает, что с ростом доли ВИЭ в общем потреблении энергии индекс энергетической безопасности увеличивается. Это говорит о том, что развитие ВИЭ является одним из важнейших факторов обеспечения энергетической безопасности в странах ЦА.
Возможно, потребуется дальнейшее исследование, чтобы понять направление и величину эффектов.
Важно отметить, что модель объясняет умеренную часть дисперсии, предполагая, что на зависимую переменную могут влиять другие факторы.
Обычная регрессия OLS не учитывает неоднородность по группам или времени, поэтому будет уместно построить модели с учетом неодродности по времени и по странам.
Если цель моделирования состоит в оценке влияния некоторых факторов на зависимую переменную, то модель с фиксированными эффектами по странам может быть уместной.
Если цель моделирования состоит в прогнозировании значений зависимой переменной, то модель с фиксированными эффектами по странам может быть не оптимальной.
Фиксированные эффекты с использованием фиктивной переменной модели Метода Наименьших Квадратов.
fixed.dum <-lm(y ~ x1 + x2 + x3 + x4 + factor(country) - 1, data=data)
summary(fixed.dum)
##
## Call:
## lm(formula = y ~ x1 + x2 + x3 + x4 + factor(country) - 1, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.13272 -0.26751 -0.08685 0.30795 1.07568
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## x1 -0.1425195 0.0515973 -2.762 0.00856 **
## x2 -0.0008800 0.0009576 -0.919 0.36349
## x3 -1.9818892 0.3917654 -5.059 9.28e-06 ***
## x4 0.0165945 0.0234159 0.709 0.48253
## factor(country)Kazakhstan 47.8982806 2.3101375 20.734 < 2e-16 ***
## factor(country)Kyrgyz Republic 50.0203090 0.6166978 81.110 < 2e-16 ***
## factor(country)Tajikistan 46.5123682 1.0450782 44.506 < 2e-16 ***
## factor(country)Turkmenistan 46.4526426 1.7160224 27.070 < 2e-16 ***
## factor(country)Uzbekistan 48.4247965 0.6261159 77.342 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.488 on 41 degrees of freedom
## Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999
## F-statistic: 4.988e+04 on 9 and 41 DF, p-value: < 2.2e-16
\(y=-0.1425195*x1_{it}-0.00088*x2_{it}-1.9818892*x3_{it}+0.0165945*x4_{it}+a_{it}+\epsilon_{it}\)
Выводы по модели регрессии с фиксированными эффектами с использованием фиктивной переменной модели Метода Наименьших Квадратов
1. Общая оценка:
Модель регрессии с 4 независимыми переменными (x1, x2, x3, x4) и фиксированными эффектами для 5 стран ЦА (Казахстан, Кыргызская Республика, Таджикистан, Туркменистан, Узбекистан) объясняет 99,99% вариации индекса энергетической безопасности (y) в странах ЦА.
Adjusted R-squared составляет 99,99%, что говорит о практически идеальной пригодности модели.
F-статистика очень значима (p-value < 2.2e-16), что подтверждает наличие значимой связи между независимыми и зависимой переменными.
2. Влияние отдельных факторов:
Энергоемкость (x1): Отрицательный коэффициент регрессии (-0.1425195) означает, что с ростом энергоемкости на единицу ВВП индекс энергетической безопасности снижается. Это подтверждает вывод из предыдущей модели о необходимости повышения энергоэффективности в странах ЦА.
Чистый импорт источников энергии (x2): Незначительный и нестатистически значимый коэффициент регрессии (-0.0008800) говорит о том, что чистый импорт энергии не оказывает существенного влияния на индекс энергетической безопасности.
Цены на бензин (x3): Отрицательный коэффициент регрессии (-1.9818892) означает, что с ростом цен на бензин индекс энергетической безопасности снижается. Это говорит о том, что рост цен на бензин негативно влияет на энергетическую безопасность стран ЦА.
Доля ВИЭ (x4): Незначительный и нестатистически значимый коэффициент регрессии (0.0165945) говорит о том, что доля ВИЭ не оказывает существенного влияния на индекс энергетической безопасности.
Фиксированные эффекты. Модель с использованием plm.
library(plm)
fixed <- plm(y ~ x1 + x2 + x3 + x4, data=data, index=c("country", "year"), model="within")
summary(fixed)
## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = y ~ x1 + x2 + x3 + x4, data = data, model = "within",
## index = c("country", "year"))
##
## Balanced Panel: n = 5, T = 10, N = 50
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.132720 -0.267511 -0.086846 0.307952 1.075682
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## x1 -0.14251953 0.05159732 -2.7622 0.008555 **
## x2 -0.00088003 0.00095763 -0.9190 0.363487
## x3 -1.98188923 0.39176537 -5.0589 9.279e-06 ***
## x4 0.01659446 0.02341593 0.7087 0.482532
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 22.106
## Residual Sum of Squares: 9.7632
## R-Squared: 0.55834
## Adj. R-Squared: 0.47216
## F-statistic: 12.9578 on 4 and 41 DF, p-value: 6.5976e-07
\(y=-0.1425195*x1_{it}-0.00088*x2_{it}-1.9818892*x3_{it}+0.0165945*x4_{it}+a_{it}+\epsilon_{it}\)
Выводы о модели с фиксированными эффектами (within):
1. Общая оценка:
Модель с 4 независимыми переменными (x1, x2, x3, x4) и фиксированными эффектами для 5 стран ЦА и 10 лет (2011-2020) объясняет 55,83% вариации индекса энергетической безопасности (y).
Отрегулированный R-квадрат составляет 47,22%, что говорит о достаточно хорошей пригодности модели.
F-статистика значима (p-value = 6.5976e-07), что подтверждает наличие значимой связи между независимыми и зависимой переменными.
2. Влияние отдельных факторов:
Энергоемкость (x1): Отрицательный коэффициент регрессии (-0.14251953) означает, что с ростом энергоемкости на единицу ВВП индекс энергетической безопасности снижается. Это подтверждает вывод из предыдущих моделей о необходимости повышения энергоэффективности в странах ЦА.
Чистый импорт источников энергии (x2): Незначительный и нестатистически значимый коэффициент регрессии (-0.00088003) говорит о том, что чистый импорт энергии не оказывает существенного влияния на индекс энергетической безопасности.
Цены на бензин (x3): Отрицательный коэффициент регрессии (-1.98188923) означает, что с ростом цен на бензин индекс энергетической безопасности снижается. Это говорит о том, что рост цен на бензин негативно влияет на энергетическую безопасность стран ЦА.
Доля ВИЭ (x4): Незначительный и нестатистически значимый коэффициент регрессии (0.01659446) говорит о том, что доля ВИЭ не оказывает существенного влияния на индекс энергетической безопасности.
Тестирование эффектов, фиксированных по времени.
library(plm)
fixed <- plm(y ~ x1 + x2 + x3 + x4, data=data, index=c("country", "year"),
model="within")
fixed.time <- plm(y ~ x1 + x2 + x3 + x4 + factor(year), data=data, index=c("country",
"year"), model="within")
summary(fixed.time)
## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = y ~ x1 + x2 + x3 + x4 + factor(year), data = data,
## model = "within", index = c("country", "year"))
##
## Balanced Panel: n = 5, T = 10, N = 50
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.422734 -0.132729 -0.034779 0.137486 0.472454
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## x1 0.12746493 0.04852148 2.6270 0.013113 *
## x2 -0.00066244 0.00058633 -1.1298 0.266953
## x3 -0.27229408 0.33179968 -0.8207 0.417913
## x4 0.04873110 0.01428168 3.4121 0.001765 **
## factor(year)2012 0.25821675 0.17930228 1.4401 0.159546
## factor(year)2013 0.50496825 0.18775755 2.6895 0.011272 *
## factor(year)2014 0.76057011 0.21493628 3.5386 0.001254 **
## factor(year)2015 1.10379639 0.24768260 4.4565 9.567e-05 ***
## factor(year)2016 1.33036465 0.27081710 4.9124 2.563e-05 ***
## factor(year)2017 1.58889619 0.28717698 5.5328 4.214e-06 ***
## factor(year)2018 1.93549806 0.26779831 7.2274 3.286e-08 ***
## factor(year)2019 2.26533477 0.28050748 8.0758 3.199e-09 ***
## factor(year)2020 2.01370348 0.28901567 6.9675 6.817e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 22.106
## Residual Sum of Squares: 2.3891
## R-Squared: 0.89193
## Adj. R-Squared: 0.83451
## F-statistic: 20.3148 on 13 and 32 DF, p-value: 7.6003e-12
\(y=0.12746493*x1_{it}-0.00066244*x2_{it}-0.27229408*x3_{it}+0.04873110*x4_{it}+a_{it}+\epsilon_{it}\)
pFtest(fixed.time, fixed) # тест Вальда
##
## F test for individual effects
##
## data: y ~ x1 + x2 + x3 + x4 + factor(year)
## F = 10.975, df1 = 9, df2 = 32, p-value = 1.47e-07
## alternative hypothesis: significant effects
plmtest(fixed.time, c("time"), type=("bp")) # тест BP
##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: y ~ x1 + x2 + x3 + x4 + factor(year)
## chisq = 6.25, df = 1, p-value = 0.01242
## alternative hypothesis: significant effects
Тест Вальда (также известный как тест на значимость индивидуальных эффектов) используется для проверки, существуют ли в модели регрессии с фиксированными эффектами во времени значимые индивидуальные эффекты.
Результат:
Значение F = 10,975
Степени свободы: df1 = 9 (количество индивидуальных эффектов - 1)
Степени свободы: df2 = 32 (количество наблюдений - количество индивидуальных эффектов - количество объясняющих переменных)
P-значение = 1,47e-07
Интерпретация:
P-значение (1,47e-07) меньше 0,05, что означает отклонение нулевой гипотезы.
Нулевая гипотеза предполагает, что нет значимых индивидуальных эффектов.
Следовательно, мы можем сделать вывод, что в модели существуют значимые индивидуальные эффекты.
Выводы:
Индивидуальный эффект в данном контексте относится к не наблюдаемым характеристикам, специфичным для отдельных стран (в исследовании: страны Центральной Азии).
Результат теста Вальда показывает, что эти индивидуальные характеристики имеют существенное влияние на зависимую переменную (индекс энергетической безопасности), даже после учета влияния независимых переменных.
Это означает, что сами независимые переменные (энергоемкость на единицу ВВП, чистый импорт источников энергии, цены на бензин, доля ВИЭ) не полностью объясняют различия в индексе энергетической безопасности между странами.
Тестирование на кросскорреляцию/ одновременную корреляцию: с использованием LM-теста независимости Бреуша-Пагана и CD-теста Песарана.
pcdtest(fixed.time, test = c("lm")) # Breusch-Pagan LM test
##
## Breusch-Pagan LM test for cross-sectional dependence in panels
##
## data: y ~ x1 + x2 + x3 + x4 + factor(year)
## chisq = 21.863, df = 10, p-value = 0.01582
## alternative hypothesis: cross-sectional dependence
pcdtest(fixed.time, test = c("cd")) # Pesaran CD
##
## Pesaran CD test for cross-sectional dependence in panels
##
## data: y ~ x1 + x2 + x3 + x4 + factor(year)
## z = -2.1917, p-value = 0.0284
## alternative hypothesis: cross-sectional dependence
Результаты тестов на кросс-секционную зависимость
Значение хи-квадрат = 21.863
Степени свободы = 10
P-значение = 0.01582
Значение статистики z = -2.1917
P-значение = 0.0284
Интерпретация:
Оба теста указывают на наличие кросс-секционной зависимости (cross-sectional dependence) в данных.
P-значение меньше 0.05 в обоих тестах означает отклонение нулевой гипотезы, которая предполагает отсутствие зависимости.
Значение хи-квадрат теста LM и значение статистики z теста Песарана CD указывают на существенную зависимость между наблюдениями для отдельных стран (стран Центральной Азии) в исследовании.
Тестирование на гетероскедастичность эффектов, фиксированных по времени.
bptest(y ~ x1 + x2 + x3 + x4 + factor(year), data = data, studentize=F)
##
## Breusch-Pagan test
##
## data: y ~ x1 + x2 + x3 + x4 + factor(year)
## BP = 32.019, df = 13, p-value = 0.002387
Тестирование на гетероскедастичность проводится, чтобы проверить, одинакова ли дисперсия случайных ошибок (возмущений) во всех наблюдениях регрессионной модели. В данном случае проведен тест Бройша-Пагана.
Гипотезы:
Нулевая гипотеза \(H_0\): Гомоскедастичность. Дисперсия ошибок одинакова во всех наблюдениях.
Альтернативная гипотеза \(H1\): Гетероскедастичность. Дисперсия ошибок различна в разных наблюдениях.
Если \(p-value < \alpha = 0,05\), то подтверждается альтернативная гипотеза. В нашем случае, \(p-value = 0,002387 < \alpha = 0,05\). Соответственно, с достоверностью 95% в принимается альтернативная гипотеза, заключавшаяся в том, что дисперсия ошибок различна по всем наблюдениям (Гетероскедактичность).
Общая оценка:
Модель с фиксированными эффектами по времени (within) и включением факторных переменных для года (fixed.time) объясняет 89.19% вариации индекса энергетической безопасности (y).
Adjusted R-squared (0.8345) также указывает на хорошую пригодность модели.
F-статистика (p-value < 2.2e-16) подтверждает наличие значимой связи между независимыми и зависимой переменными.
Влияние отдельных факторов:
Энергоемкость (x1): Положительный коэффициент регрессии (0.12746493) говорит о том, что с ростом энергоемкости на единицу ВВП индекс энергетической безопасности увеличивается в странах ЦА. Однако, стоит отметить, что предыдущие модели показывали обратное влияние.
Чистый импорт источников энергии (x2): Незначительный и нестатистически значимый коэффициент регрессии (-0.00066244) говорит о том, что чистый импорт энергии не оказывает существенного влияния на индекс энергетической безопасности.
Цены на бензин (x3): Незначительный и нестатистически значимый коэффициент регрессии (-0.27229408) говорит о том, что влияние цен на бензин на индекс энергетической безопасности требует дальнейшего изучения.
Доля ВИЭ (x4): Положительный и статистически значимый коэффициент регрессии (0.04873110) подтверждает, что рост доли ВИЭ в общем потреблении энергии положительно влияет на индекс энергетической безопасности стран ЦА.
Год (факторные переменные): Коэффициенты для факторных переменных года показывают значительное повышение индекса энергетической безопасности с 2011 по 2020 годы.
Исходя из результатов анализа модели и тестов предпосылок, можно сделать следующие выводы:
Модель с фиксированными эффектами и временными эффектами: Обе модели (с фиксированными эффектами и временными эффектами) показывают статистически значимые коэффициенты для некоторых переменных. В частности, переменные x1 (энергоемкость на единицу ВВП) и x4 (доля возобновляемых источников энергии) оказывают значимое влияние на зависимую переменную y (индекс энергетической безопасности). Однако, некоторые переменные, такие как x2 (чистый импорт источников энергии) и x3 (цены на бензин), не оказывают статистически значимого влияния на y.
Тест Вальда: Результаты теста Вальда показывают, что включение индивидуальных эффектов значимо улучшает модель.
Тест BP и тест CD: Оба теста на кросс-секциональную зависимость показывают статистическую значимость, что указывает на наличие кросс-секциональной зависимости между наблюдениями.
Тест на гетероскедастичность: Тест Бройша-Пагана также показывает статистически значимые результаты, что указывает на наличие гетероскедастичности.
В целом, модель с фиксированными эффектами и временными эффектами является значимой и может быть использована для анализа энергетической безопасности в странах Центральной Азии. Однако перед дальнейшим использованием необходимо учитывать кросс-секциональную зависимость и возможность гетероскедастичности при интерпретации результатов.
Тестирование эффектов, фиксированных по cтранам.
fixed.country <- plm(y ~ x1 + x2 + x3 + x4 + factor(country), data=data, index=c("country",
"year"), model="within")
summary(fixed.country)
## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = y ~ x1 + x2 + x3 + x4 + factor(country), data = data,
## model = "within", index = c("country", "year"))
##
## Balanced Panel: n = 5, T = 10, N = 50
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.132720 -0.267511 -0.086846 0.307952 1.075682
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## x1 -0.14251953 0.05159732 -2.7622 0.008555 **
## x2 -0.00088003 0.00095763 -0.9190 0.363487
## x3 -1.98188923 0.39176537 -5.0589 9.279e-06 ***
## x4 0.01659446 0.02341593 0.7087 0.482532
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 22.106
## Residual Sum of Squares: 9.7632
## R-Squared: 0.55834
## Adj. R-Squared: 0.47216
## F-statistic: 12.9578 on 4 and 41 DF, p-value: 6.5976e-07
plmtest(fixed.country, c("time"), type=("bp")) # тест BP
##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: y ~ x1 + x2 + x3 + x4 + factor(country)
## chisq = 6.688, df = 1, p-value = 0.009706
## alternative hypothesis: significant effects
Тест Брейша-Пагана LM указывает на наличие значимых эффектов времени в модели.
P-значение меньше 0.05 означает отклонение нулевой гипотезы, которая предполагает отсутствие временных эффектов.
Значит, факторы, изменяющиеся со временем, оказывают существенное влияние на зависимую переменную (y) помимо влияния независимых переменных (x1, x2, x3, x4) и фиксированных эффектов по странам.
Выводы:
Тест Брейша-Пагана LM свидетельствует о том, что необходимо учитывать временные эффекты в модели регрессии. Игнорирование временных эффектов может привести к ошибочным выводам о влиянии независимых переменных на зависимую переменную.
Тестирование на кросскорреляцию/ одновременную корреляцию: с использованием LM-теста независимости Бреуша-Пагана и CD-теста Песарана.
pcdtest(fixed.country, test = c("lm")) # Breusch-Pagan LM test
##
## Breusch-Pagan LM test for cross-sectional dependence in panels
##
## data: y ~ x1 + x2 + x3 + x4 + factor(country)
## chisq = 20.426, df = 10, p-value = 0.02547
## alternative hypothesis: cross-sectional dependence
pcdtest(fixed.country, test = c("cd")) # Pesaran CD
##
## Pesaran CD test for cross-sectional dependence in panels
##
## data: y ~ x1 + x2 + x3 + x4 + factor(country)
## z = 2.8021, p-value = 0.005078
## alternative hypothesis: cross-sectional dependence
Результаты тестов на кросс-корреляцию/одновременную корреляцию:
1. LM-тест независимости Брейша-Пагана (pcdtest(fixed.country, test = c(“lm”))):
Значение хи-квадрат = 20.426
Степени свободы df = 10
P-значение = 0.02547
2. CD-тест Песарана (pcdtest(fixed.country, test = c(“cd”))):
Значение статистики z = 2.8021
P-значение = 0.005078
Интерпретация:
Оба теста указывают на наличие кросс-корреляции/одновременной корреляции в данных. P-значения меньше 0.05 в обоих тестах означают отклонение нулевой гипотезы, которая предполагает отсутствие корреляции. Значения статистики хи-квадрат (LM-тест) и z (CD-тест) указывают на существенную корреляцию между ошибками в модели для разных стран.
Выводы:
Результаты тестов говорят о том, что ошибки в модели регрессии с фиксированными эффектами по странам (fixed.country) могут быть коррелированы между собой. Кросскорреляция/одновременная корреляция может привести к завышенным оценкам статистической значимости коэффициентов регрессии, а следовательно, к ошибочным выводам
Тестирование на гетероскедастичность эффектов, фиксированных по странам.
bptest(y ~ x1 + x2 + x3 + x4 + factor(country), data = data, studentize=F)
##
## Breusch-Pagan test
##
## data: y ~ x1 + x2 + x3 + x4 + factor(country)
## BP = 14.254, df = 8, p-value = 0.07539
Тестирование на гетероскедастичность проводится, чтобы проверить, одинакова ли дисперсия случайных ошибок (возмущений) во всех наблюдениях регрессионной модели. В данном случае проведен тест Бройша-Пагана.
Гипотезы:
Нулевая гипотеза \(H_0\): Гомоскедастичность. Дисперсия ошибок одинакова во всех наблюдениях.
Альтернативная гипотеза \(H1\): Гетероскедастичность. Дисперсия ошибок различна в разных наблюдениях.
Если \(p-value < \alpha = 0,05\), то подтверждается альтернативная гипотеза. В нашем случае, \(p-value = 0,07539 > \alpha = 0,05\). Соответственно, с достоверностью 95% в принимается альтернативная гипотеза, заключавшаяся в том, что дисперсия ошибок одинакова по всем наблюдениям (Гомоскедактичность).
\(y=-0.14251953*x1_{it}-0.00088003*x2_{it}-1.98188923*x3_{it}+0.01659446*x4_{it}+a_{it}+\epsilon_{it}\)
Исходя из результатов анализа модели с фиксированными эффектами по странам, а также тестов предпосылок, можно сделать следующие выводы:
Модель с фиксированными эффектами по странам: Модель показывает статистически значимые коэффициенты для некоторых переменных. В частности, переменные x1 (энергоемкость на единицу ВВП) и x3 (цены на бензин) оказывают статистически значимое влияние на зависимую переменную y (индекс энергетической безопасности). Однако, переменные x2 (чистый импорт источников энергии) и x4 (доля возобновляемых источников энергии) не оказывают статистически значимого влияния на y.
Тест Вальда: Тест Вальда не может быть выполнен в данном случае из-за особенностей модели.
Тест BP и тест CD: Оба теста на кросс-секциональную зависимость показывают статистическую значимость, что указывает на наличие кросс-секциональной зависимости между наблюдениями.
Тест на гетероскедастичность: Тест Бройша-Пагана показывает отсутствие статистически значимых результатов, что указывает на отсутствие гетероскедастичности.
Рекомендации: Модель с фиксированными эффектами по странам может быть полезной для анализа энергетической безопасности в разрезе отдельных стран Центральной Азии. Однако, необходимо учитывать наличие кросс-секциональной зависимости и использовать осторожность при интерпретации результатов.
Список использованной литературы:
[1] Ланглуа-Бертран С. Современная концепция энергетической безопасности. Оборонные исследования и разработки Канады - КОРА. Отчет по контракту DRDC CORA CR 2010-148, июль 2010 г.
[2] Джуэлл Дж., Черп А. и Риахи К. Энергетическая безопасность в сценариях декарбонизации: структура оценки и оценка при различных вариантах технологий и политики. Энергетическая политика 2014;65:743-60. Доступно по адресу http://dx.doi.org/10.1016/j.enpol.2013.10.051.
[3] Пенчанский Р.Р. и Томас Дж.В. Концепция доступа: определение и связь с удовлетворенностью потребителей. Медицинская помощь 1981;19(2):127-40.
[4] Черп А. и Джуэлл Дж. Концепция энергетической безопасности: за пределами четырех А. Энергетическая политика 2014;75:415-21. Доступно по адресу http://dx.doi.org/10.1016/j.enpol.2014.09.005.
[5] Фон Хиппель Д., Сузуки Т., Уильямс Дж. Х., Сэвидж Т. и Хейс П. Энергетическая безопасность и устойчивость в Северо-Восточной Азии. Энергетическая политика 2011;39(11):6719-30. Доступны на https://doi.org/10.1016/j.enpol.2009.07.001.
[6] Вивода В. Оценка энергетической безопасности в Азиатско-Тихоокеанском регионе: новый методологический подход. Энергетическая политика 2010;38(9):5258-63. Доступно по адресу https://doi.org/10.1016/j.enpol.2010.05.028.
[7] Аззуни А. и Брейер К. Определения и аспекты энергетической безопасности: Обзор литературы. Расширенный обзор 2018;7:1-34. Дои: 10.1002/wene.268
[8] Борингер С. и Бортоламеди М. Смысл и отсутствие (n)-смысла показателей энергетической безопасности. Ольденбургские дискуссионные документы по экономике, № V-381-15, июль 2015 г. Доступно по адресу http://hdl.handle.net/10419/121751.
[9] Онануга ОТ. Эластичность выбросов CO2 по доходам, численности населения и использованию энергии: Данные временных рядов из африканских стран. Экономические альтернативы 2017;4:651-70.
[10] Садорский П. Влияние урбанизации и индустриализации на использование энергии в странах с развивающейся экономикой: последствия для устойчивого развития. Американский журнал экономики и социологии 2014;73(2):392-409. DOI: 10.1111/ajes.12072.
[11] Шаари М.С., Хуссейн Н.Э. и Рашид ИМА. Взаимосвязь между использованием энергии, экономическим ростом и выбросами CO2 в Малайзии. Экономика, менеджмент и финансовые рынки 2014;9(2):41-53.
[12] Балтаги БХ. Эконометрический анализ панельных данных. 3-е издание; 2005.
[13] Cтатистика: International Energy Agenсy.
[14] Статистика: World Bank Open Data.